声明
摘要
插图目录
表格目录
1 绪论
1．1 引言
1．2 蛋白质相互作用及作用位点概述
1．2．1 蛋白质相互作用及其功能
1．2．2 蛋白质相互作用位点
1．2．3 蛋白质相互作用位点的研究方法
1．3 蛋白质亚细胞定位及预测概述
1．3．1 亚细胞结构
1．3．2 蛋白质亚细胞定位以及功能
1．3．3 蛋白质亚细胞定位的研究方法
1．4 主要研究内容与创新点
1．5 内容安排
2 基于序列的蛋白质相互作用位点(PPIs)预测方法
2．1 引言
2．2 基准数据集
2．3 评价指标
2．4 特征表示
2．5 已有的相关研究
2．6 PPIs预测中的类别不平衡以及处理方法
2．6．1 上采样方法
2．6．2 下采样方法
2．7 本章小结
3 基于二分类不平衡数据预清洗及后过滤处理的PPIs预测
3．1 引言
3．2 特征提取
3．2．2 平均累积亲水性(ACH)
3．2．3 预测得到的相对溶剂可及性(PRSA)
3．3 数据清洗过程
3．4 训练基于随机森林的PPIs预测器
3．5 后过滤(PF)处理过程
3．6 实验结果与讨论
3．6．1 特征重要性分析
3．6．2 数据清洗以及后过滤的有效性验证
3．6．3 所用方法和现有的PPIs预测器在交叉验证实验结果上的比较
3．6．4 所用方法和现有的PPIs预测器在独立验证实验上的结果比较
3．7 本章小结
4 基于多普勒效应蝙蝠聚类下采样算法的PPIs预测
4．1 引言
4．2 蝙蝠算法
4．3 基于多普勒效应的蝙蝠算法
4．3．1 蝙蝠的多普勒效应
4．3．2 多普勒效应蝙蝠算法
4．4 多普勒效应蝙蝠算法性能分析与比较
4．4．1 多普勒效应蝙蝠算法(DEBA)与粒子群算法(PSO)的对比
4．4．2 多普勒效应蝙蝠算法(DEBA)和原始蝙蝠算法(BA)算法的比较
4．5 基于多普勒效应蝙蝠算法的空间聚类下采样
4．5．1 相似度系数
4．5．2 多普勒效应蝙蝠聚类下采样算法
4．6 基于多普勒效应蝙蝠聚类下采样算法的PPIs预测模型
4．7 实验与讨论
4．7．1 基于多普勒效应蝙蝠聚类下采样算法预测PPIs的有效性验证
4．7．2 所用方法与已有的PPIs预测器的比较
4．8 本章小结
5 基于图像的蛋白质亚细胞定位多类别预测研究
5．1 引言
5．2 基于图像的蛋白质亚细胞定位相关研究
5．3 基准数据集
5．3．1 训练集
5．3．2 独立测试集
5．4 免疫组化(IHC)图像中的蛋白质和DNA分割技术
5．4．1 免疫组织化学与免疫组化图像
5．4．2 图像分割技术
5．4．2 两种常用的颜色空间
5．4．3 IHC图像的线性颜色分离技术
5．5 蛋白质亚细胞图像多视角纹理特征的提取
5．5．1 原始IHC图像的纹理特征
5．5．2 图像颜色分割后的全局特征
5．5．3 局部纹理特征
5．5．4 特征选择
5．5．5 多特征融合
5．6 分类器
5．6．1 栈式自动编码器(SAE)
5．6．2 栈式自动编码器与随机森林相结合的分类器(SAE-RF)
5．7 系统算法流程图
5．8 实验结果和讨论
5．8．1 单个特征集的性能比较
5．8．2 多特征融合的性能比较
5．8．3 特征选择后的性能比较
5．8．4 SAE-RF分类器与线性支持向量机(linSVM)分类器的比较
5．8．5 提出的预测系统与已有的基于图像的亚细胞定位预测方法的比较
5．9 本章小结
6 总结与展望
6．1 本文工作总结
6．2 研究展望
致谢
参考文献
附录
